本文研究图信号处理中的一个核心隐私问题：当分析者只能观测到图滤波器（graph filter）的输出时，图移位算子（GSO，即邻接矩阵、拉普拉斯矩阵这类刻画图拓扑的算子）本身能获得多强的差分隐私（DP）保护。传统做法是对 GSO 本身或其滤波输出加噪，而作者另辟蹊径，假设输入到图滤波器的信号本身就采样自一个满足差分隐私的分布，于是直接利用输入端已有的随机性来保护 GSO，相当于"零额外噪声"地达到与扰动方法同等的隐私水平，因而带来更好的隐私—效用折衷。 理论层面的核心贡献是给出了隐私损失及其证书关于图滤波器零点的显式刻画：作者证明，两个相邻拓扑（差分隐私意义上的相邻图）对应发布结果之间的对数似然比，由滤波器每个零点到这两个 GSO 图频率（graph frequencies，即特征值）的距离所支配。通过对所有相邻拓扑一致地界定该似然比，作者为高斯输入导出了显式的 (ε, δ)-DP 保证，从而把隐私预算与滤波器零点和图谱结构直接联系起来。进一步地，作者借助 Cramér–Rao 下界说明：限制隐私损失的零点配置，同时也会抬高对手重建误差的下界，即隐私与不可重建性在同一设计目标上是一致的。 实验部分在一个合成的金融敞口网络（financial exposures）上进行验证：一对节点所能隐藏的最大头寸规模与其被估算的精度之间存在共线性，两者都由该节点对的图频率成分决定；只有当认证的隐私预算不断增大时，整个网络才会逐渐变得可恢复。 该工作适合隐私计算、图机器学习、网络测量与金融风控等方向的研究者与工程师阅读，为其在关系型敏感数据上做图分析提供了可证明的隐私设计准则。